RAG

基于Chroma 1.5.9最新版本，涵盖Python、TypeScript、Rust多语言实战，从向量数据库基础概念到生产级部署运维的完整教程。

基于Milvus 2.6.18 LTS版本，覆盖开源社区版与Zilliz Cloud企业版，从入门基础到分布式架构、性能优化与生态实战的全面指南。

基于LangGraph工作流编排与RAG混合检索架构，覆盖多租户隔离、智能体引擎（ReAct/Plan-and-Execute/Multi-Agent）、对话引擎、知识库引擎、插件化模型管理、ASR/TTS多模态、数据库设计、API接口、K8s部署运维的完整技术设计。

深入解析 LlamaIndex 三大核心概念：索引（VectorStore/Summary/Tree/KeywordTable/KnowledgeGraph）是数据的结构化存储形态，检索策略（语义/关键词/混合/分层/路由）是从索引中查找内容的方法，查询引擎是封装检索与生成的完整问答接口，三者共同构成 RAG 流程的核心链条。

LlamaIndex 大厂面试 25 道灵魂痛点题全解析，涵盖核心架构与数据流、高级 RAG 优化（混合检索/重排序/查询改写）、Agent 编排与工具调用、生产环境避坑指南四大模块，助你高效突击大厂 AI 工程师面试。

全面详解 LlamaIndex 核心包中 15 种分块策略，涵盖基础文本分块（Token/Sentence/Code）、语义分块（SemanticSplitter/SemanticDoubleMerging）、文件格式感知（HTML/Markdown/JSON）、关系层级分块（SentenceWindow/Hierarchical/MarkdownElement），附选择指南与代码示例。

LlamaIndex 索引类型全景梳理，涵盖基础索引（VectorStore/Summary/Tree/KeywordTable）与高级索引（KnowledgeGraph/PropertyGraph/DocumentSummary/MultiModal），详解每种索引的核心原理、适用场景与选型建议。

LlamaIndex NodeParser 完全指南，详解文档解析与分块策略，覆盖 SentenceSplitter、SemanticSplitter、HierarchicalNodeParser、JSONNodeParser 等核心分块器，以及分块大小、重叠窗口与语义完整性的最佳实践。

RAG 生产落地技术面试题集，45 道核心题覆盖 10 大方向：基础架构、文档处理与知识库构建、Embedding 与向量化、向量数据库选型、检索策略优化、生成与后处理、生产级系统架构、评估与优化闭环、高级 RAG 技术、真实生产排障，含面试加分点与常见踩坑。

Milvus 向量数据库完整学习手册，从向量数据库基础概念讲起，详解 Milvus 2.x 存算分离架构、核心组件、索引类型（FLAT/IVF/HNSW/DISKANN）、数据模型、CRUD 操作、混合检索、性能调优与生产部署最佳实践。